5、爬虫学习之百度贴吧示例

        鸠兹古镇贴吧页面标题、链接及翻页爬取。

        1、导入第三方库

import requests
from lxml import etree

        2、爬取思路

        url----headers----发送请求，获取响应------从响应中提取数据（数据和翻页用的url）-------终结条件

        3、url、headers

        

        self.url = 'https://tieba.baidu.com/f?kw=%F0%AF%D7%C8%B9%C5%D5%F2&fr=ala0&tpl=5'.format(name)
        self.headers = {
            "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/94.0.4606.71 Safari/537.36 Edg/94.0.992.38"
            }

         4、发送请求，获取响应

        response = requests.get(url,headers=self.headers)
        with open("temp.html","wb") as f:
            f.write(response.content)
        return response.content

        5、提取数据

        把html源码转化成Element对象。

         利用etree.HTML,将html字符串（bytes类型或str类型）转化为Element对象，Element对象具有xpath的方法，返回结果的列表。

         一个标题为一个分组。

         ps：如果选取内容中含有广告，则加一个所需内容共有标签。

         html = etree.HTML(data)
        el_list = html.xpath('//*[@id="thread_list"]/li[@class=" j_thread_list clearfix thread_item_box"]/div/div[2]/div[1]/div[1]/a')

        ！未获取到数据

        绿色的内容，被注释掉。浏览器功能强大。

        浏览器显示的原因：浏览器有引擎，可以显示。

        解决：换一个低端浏览器请求头或进行如下方法：

data = data.decode().replace("<!--","").replace("-->","")

        data_list = []
        for el in el_list:
            temp={}
            temp['title'] = el.xpath("./text()")[0]
            temp['link'] = 'https://tieba.baidu.com' + el.xpath("./@href")[0]
            data_list.append(temp)

    获得标题和链接 。   

        获取下一页：

next_url = 'https:'+html.xpath('//*[@id="frs_list_pager"]/a[4]/@href')[0]

        6、终结条件    

            if next_url==None:
                break

        7、结果运行